Calibration of electromagnetic shower features in the CMS calorimeter with machine-learning techniques

In de wereld van de hogereçetische fysica kijken wetenschappers niet simpelweg naar deeltjes; ze bouwen ze, althans in hun geest. Om te begrijpen wat er gebeurt wanneer protonen met bijna de snelheid van het licht op elkaar botsen, vertrouwen onderzoekers op enorme computersimulaties. Deze digitale modellen fungeren als een spiegel van de werkelijkheid en voorspellen hoe deeltjes zich zouden moeten gedragen, hoe ze zouden moeten verstrooien en welk spoor ze zouden achterlaten in een detector. Als de simulatie overeenkomt met de echte gegevens die door gigantische machines zijn verzameld, kunnen wetenschappers het model vertrouwen om de geheimen van het universum te ontrafelen. Maar als de simulatie er net naast zit — als deze de manier waarop een deeltje energie afvoert of interageert met het detectermateriaal verkeerd weergeeft — kunnen die kleine fouten uitgroeien tot grote misstappen, waardoor nieuwe ontdekkingen worden verborgen of juist valse worden gecreëerd. Het doel is altijd om de digitale spiegel zo perfect mogelijk te maken, zodat wetenschappers wanneer ze een signaal in de data zien, weten dat het echt is en niet slechts een glitch in de code.

Dit is de uitdaging waar de CMS-collaboratie voor staat, een team van natuurkundigen dat werkt met de Compact Muon Solenoid-detector bij CERN. In een recente studie pakten zij een hardnekkig probleem aan: hun computersimulaties van elektromagnetische showers — cascades van energie geproduceerd door elektronen en fotonen — kwamen niet perfect overeen met de echte wereldgegevens die tijdens proton-protonbotsingen in 2022 werden verzameld. De discrepanties waren subtiel maar significant, met name in de vorm van de energiedeposities en de mate waarin de deeltjes geïsoleerd waren van hun omgeving. Om dit op te lossen, wendde het team zich tot machine learning, niet om hun fysica-modellen te vervangen, maar om de simulaties te leren hoe ze meer op de werkelijkheid moeten lijken. Ze ontwikkelden twee verschillende methoden om de digitale gebeurtenissen te herkalibreren, waarbij de computer effectief werd getraind om zijn eigen fouten te corrigeren voordat de data ooit geanalyseerd werd.

De onderzoekers begonnen met een zuivere, goed begrepen steekproef van gebeurtenissen: het verval van een Z-boson in een elektron en een positron. Door deze specifieke gebeurtenissen te selecteren, konden ze een zuivere stroom van elektromagnetische showers isoleren, vrij van de ruis van andere deeltjesinteracties. Vervolgens vergeleken ze de kenmerken van deze showers in hun simulatie met de kenmerken die in de werkelijke data werden waargenomen door de CMS-detector. De data kwamen uit 26,7 inverse femtobarns aan botsingen bij een centrum-van-massa-energie van 13,6 tera-elektronvolt. De simulatie, hoewel over het algemeen goed, vertoonde afwijkingen in de manier waarop de energie zich verspreidde over de detector-kristallen en hoeveel energie er weg lekte naar de omliggende gebieden. Deze verschillen betekenden dat de deeltjesidentificatie-algoritmen van de computer, die beslissen of een signaal een echte elektron of een achtergrond-imitator is, werden gevoed met lichtelijk onjuiste informatie.

Om deze kloof te overbruggen, paste het team twee verschillende machine-learningtechnieken toe. De eerste benadering, genaamd reweighting (herweging), werkt door een nieuwe belangrijkheidsscore toe te wijzen aan elke individuele gesimuleerde gebeurtenis. Stel je een klaslokaal voor waar de leraar studenten vraagt hun hand op te steken als ze aan een bepaalde beschrijving voldoen. Als de simulatie te weinig studenten heeft die aan die beschrijving voldoen in vergelijking met de echte klas, zegt de leraar tegen die weinige studenten dat ze als twee of drie mensen tellen. Op dezelfde manier leerde de machine learning-classifier te onderscheiden tussen de simulatie en de echte data. Vervolgens berekende het een ratio, wat de simulatie effectief vertelde: "Deze gebeurtenis lijkt een beetje op de echte data, dus tel deze meer," of "Deze gebeurtenis ziet er te veel anders uit, dus tel deze minder." Deze methode paste de waarschijnlijkheid van elke gebeurtenis aan zonder de gebeurtenis zelf te veranderen, waardoor een continue correctie ontstond die kon worden toegepast over een complexe, hoogdimensionale ruimte van kenmerken.

De tweede methode, bekend als normalizing flow (normaliserende stroom), nam een directere route. In plaats van alleen te veranderen hoeveel een gebeurtenis telt, veranderde deze techniek fysiek de waarden van de kenmerken binnen de simulatie. Het leerde een wiskundige transformatie die de distributie van de gesimuleerde showers kon vervormen naar de distributie van de echte showers. Als een gesimuleerde shower te smal was, zou de flow deze uitrekken; als deze te geïsoleerd was, zou de flow deze dichter bij zijn buren brengen. Dit proces was als het boetseren van klei: het materiaal bleef hetzelfde, maar de vorm werd aangepast om in een mal te passen. Cruciaal was dat deze transformatie geleerd werd als afhankelijk van de kinematische eigenschappen van de gebeurtenis, zoals de impuls en positie van het deeltje, om ervoor te zorgen dat de correctie correct werd toegepast, ongeacht waar of hoe snel het deeltje bewoog.

Beide methoden werden getest op een aparte set gegevens die de algoritmen niet hadden gezien tijdens hun training. De resultaten waren opmerkelijk. Vóór de correctie vertoonden de gesimuleerde deeltjesidentificatiescores duidelijke mismatches met de echte data, vooral in de staarten van de distributies waar zeldzame gebeurtenissen voorkomen. Na het toepassen van ofwel de reweighting- of de normalizing flow-correcties, verbeterde de overeenstemming tussen de simulatie en de data spectaculair. De vormen van de distributies kwamen overeen en de discrepanties die voorheen grote veiligheidsmarges vereisten in wetenschappelijke metingen, werden aanzienlijk verminderd. De onderzoekers stelden vast dat beide technieken erin slaagden de hoogdimensionale feature-ruimte te corrigeren, waarbij niet alleen individuele variabelen werden gevangen, maar ook de complexe correlaties tussen hen.

Beide methoden hadden echter verschillende sterktes en beperkingen. De reweighting-methode was uitstekend in het behouden van de algemene structuur van de simulatie terwijl de gewichten werden aangepast, maar kon soms moeite hebben in regio's waar de simulatie en de data erg verschillend waren, wat leidde tot grote gewichtscorrecties die het statistische vermogen van de steekproef verminderden. In sommige gevallen moest het team bepaalde kenmerken uitsluiten van de training om deze grote fluctuaties te voorkomen. De normalizing flow-methode kon daarentegen grotere discrepanties eleganter afhandelen door de data direct te hervormen, maar vereiste dat de gecorrigeerde kenmerken opnieuw werden geëvalueerd via het deeltjesidentificatie-algoritme, wat een extra stap aan het proces toevoegde. Bovendien, terwijl de reweighting-methode de wetten van de fysica natuurlijk bewaarde door de gebeurteniswaarden ongewijzigd te laten, moest de normalizing flow-methode nauwlettend worden gemonitord om te garanderen dat het geen onfysische configuraties creëerde, hoewel het team dit risico voor hun specifieke toepassing verwaarloosbaar vond.

De studie toonde aan dat deze machine-learningtechnieken succesvol kunnen worden toegepast op echte botsingsdata, een belangrijke stap vooruit ten opzichte van eerdere tests die alleen vertrouwden op gesimuleerde pseudo-data. Door de simulatie te corrigeren om overeen te komen met de data, lieten de onderzoekers zien dat ze de systematische onzekerheden die dergelijke metingen gewoonlijk teisteren, kunnen verminderen. Dit betekent dat toekomstige analyses, zoals de zoektocht naar het Higgs-boson dat vervalt in twee fotonen, met grotere precisie kunnen worden uitgevoerd. Het werk benadrukte ook het belang van het identificeren van waar simulaties falen; de grote correcties die door de algoritmen nodig waren, wezen direct naar specifieke gebieden in de detector-modellering, zoals de ruisdrempels in de hadronische calorimeter, die het team vervolgens kon repareren voor toekomstige iteraties van de simulatie.

Uiteindelijk biedt dit onderzoek een nieuw instrumentarium voor deeltjesfysici. Het laat zien dat machine learning meer kan doen dan alleen het classificeren van deeltjes; het kan fungen als een kalibratietool, de simulaties leren om eerlijker te zijn over de realiteit die ze proberen te beschrijven. Door continue, unbinned correcties aan te bieden over hoogdimensionale ruimtes, stellen deze methoden wetenschappers in staat om verder te gaan dan eenvoudige, gebinde aanpassingen die vaak de nuances van complexe data missen. Het succes van deze technieken in de CMS-detector suggereert dat ze een standaard onderdeel zullen worden van de analyseketen, wat helpt om de focus van de zoektocht naar nieuwe fysica te verscherpen en ervoor te zorgen dat de signalen die wetenschappers vinden zo helder en betrouwbaar mogelijk zijn. Het artikel concludeert dat hoewel de methoden krachtig zijn, ze met zorg moeten worden toegepast, waarbij men de specifieke beperkingen en de aard van de data die men corrigeert moet begrijpen, om ervoor te zorgen dat de digitale spiegel de realiteit met de hoogst mogelijke getrouwheid reflecteert.